10月19日，中電信人工智慧科技有限公司星辰通用人工智慧實驗室開源了Xing4.0-29B-Intent模型，試圖解決AI Agent落地中一個關鍵缺口：在判斷使用者意圖之後，如何把自然語言準確轉化為結構化引數。該模型將意圖理解從Jev式“選擇題”擴充套件為“選擇題+填空題”，並同步開源模型權重、訓練語料和推理SDK。

此前，TypeSafe AI釋出的Jev模型驗證了專用小模型在意圖判斷任務上的可行性——通過Noul布林判斷、Choice分類選擇和Score標尺打分三種決策原語，可在70毫秒延遲內完成預定義範圍內的快速判斷。但這類決策原語的輸出受候選選項限制，無法直接覆蓋真實業務中複雜、開放的引數抽取需求。例如，使用者要求“把展廳東側的燈調到80%、色溫4000K，西側調到30%、2700K，入口燈別動”，僅識別出“調節燈光”意圖遠遠不夠，系統還需明確哪盞燈對應哪個亮度、哪種色溫，以及哪盞燈必須保持原樣。

Xing4.0-29B-Intent的核心思路是將意圖分類與引數抽取整合進同一個模型，通過統一的JSON結構返回意圖類別和對應引數。在展廳燈光測試中，模型一次返回了“調節燈光”和“調節音量”兩類意圖，前者包含東側、西側兩個引數物件，後者提取了大廳和15%音量，同時正確跳過了要求保持原樣的入口燈。這種多物件引數繫結和否定指令處理能力，正是智慧家居、智慧座艙等場景的剛需。

效能方面，該模型端到端推理延遲低於150毫秒，落在Jev的70到500毫秒區間內，結構化JSON輸出帶Schema強約束，格式幻覺被壓得很低。在零樣本冷啟動評測中，其Micro-F1達到70.27，較Jev最優配置高出12.62個百分點，同時超過GPT-4.1；在要求預測結果全部正確的嚴格全對指標上，Xing4.0-29B-Intent取得61，而Jev兩種配置的成績介於21至48之間。在覆蓋48個公開資料集的統一評測中，該模型Overall總分達到58，比排名第二的Gemini-3.6-Flash高9分，在實體識別、關係抽取、事件抽取和意圖理解四類任務中均取得領先。

智東西圍繞智慧空間、智慧座艙、企業業務、辦公協作及Personal Agent等場景進行了11組實測。在智慧座艙測試中，模型正確提取了副駕車窗和天窗的開度，但對“禁止開啟車窗”這類否定指令的理解存在偏差——若後排車窗原本處於一定開度，執行0%引數反而會改變原有狀態。在企業業務場景中，模型能準確區分兩家門店的工單資訊、兩份專案記錄的負責人與預算，以及兩筆不同人員的報銷金額與所屬專案。在辦公協作場景中，使用者臨時更換會議時間、地點和參會人後，模型更新了對應引數，卻保留了原先約定的30分鐘時長。在Personal Agent場景中，模型能同時識別鬧鐘、提醒和備忘錄三項意圖，並正確區分備忘錄正文中的操作指令與實際任務。

支撐這些能力的是一套名為USP（Unified Schema-driven Semantic Parsing，統一模式驅動語義解析）的框架，它將命名實體識別、關係抽取、事件抽取和口語理解四類任務統一到相同的輸出結構中，核心是category+args層級JSON——category表示意圖或資訊型別，args存放對應引數。不同場景的引數各不相同，但都可以用統一結構組織，從而減少模型輸出與下游業務介面之間的格式差異。

開源範圍覆蓋了支撐這套框架的多個環節。資料方面，Xing4.0-29B-Intent所用的275.3萬條SFT語料重構自61個公開資料集，覆蓋19個領域、52種語言，該團隊稱這是目前業內規模最大的開源意圖理解語料庫；此外還提供了面向手機等終端互動場景的意圖理解語料，相關工作已被EMNLP 2026錄用。模型基於星辰29B底座微調，重點最佳化語義解析與結構化輸出能力，配套推理SDK和官方映象也已提供。相關程式碼在GitHub的TeleChat-USP倉庫開源，採用Apache 2.0協議，資料集與模型權重同步上架Hugging Face。

從產業視角看，意圖理解專用模型的開源化，為手機語音助手、智慧座艙、客服與企業辦公系統等場景的開發者提供了一套可復現、可適配的結構化語義解析基礎。這類高頻、低延遲的互動任務若全部依賴通用大模型，推理成本將隨呼叫量線性攀升；專用模型加統一Schema的路線，則有望在保持精度的同時壓低單次呼叫成本。不過，實測中暴露的否定指令理解偏差也提示，涉及物理裝置控制的場景仍需額外的安全校驗層。對AI Agent產業鏈而言，決策層與生成層分離的趨勢正在催生一批專注於“理解”環節的模型供給，其開源生態的成熟度將直接影響下游應用接入的門檻與速度。